NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), geleneksel klinik değerlendirme ile ölçülmesi zor olan hareket dinamiklerindeki değişikliklerle karakterizedir. Bu çalışma, Parkinson motor bozukluğunun dijital biyobelirteçlerini tanımlamak için grafik tabanlı kinematik analizi açıklanabilir makine öğrenimi ile birleştiren entegre bir yaklaşım önermektedir. Kinematik sinyaller, PD ve 53 sağlıklı kontrole sahip 51 hastadan Xsens atalet sensörleri kullanılarak elde edildi. Her katılımcı için, konuya özgü kinematik ağlar, küresel ve yerel grafik-teorik metriklerin çıkarıldığı Jensen-Shannon farklılaşması yoluyla bölümler arası benzerliklerin modellenmesiyle oluşturulmuştur. Oylama özelliği seçimini içeren bir makine öğrenme boru hattı ve XGBoost sınıflandırması, iç içe geçmiş çapraz doğrulama tasarımı kullanılarak değerlendirildi. Model sağlam bir performans elde etti (AUC = 0.87) ve SHAP kullanarak açıklanabilirlik analizleri hızdaki değişiklikleri, segmentler arası bağlantıyı ve ağ merkeziliğini yakalayan 13 özelliğin bir alt kümesini tanımladı. PD, artan pozisyonel değişkenlik, azalmış distal uzuv hızı ve ağ merkeziliğinin proksimal gövde segmentlerine doğru yeniden dağılımı ile karakterize edildi. Bu özellikler, fizyolojik alakalarını doğrulayan klinik ciddiyetle ilişkiliydi. Graf-teorik modelleme, açıklanabilir yapay zeka ve makine öğrenimi metodolojisini entegre ederek, bu çalışma motor koordinasyonundaki değişiklikleri yakalayan nicel biyobelirteçleri keşfetme yöntemi sağlar. Bu bulgular, ML ve kinematik ağların PD'deki objektif motor değerlendirmesini destekleme potansiyelini vurgulamaktadır.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is characterized by alterations in movement dynamics that are difficult to quantify with conventional clinical assessment. This study proposes an integrated approach combining graph-based kinematic analysis with explainable machine learning to identify digital biomarkers of Parkinsonian motor impairment. Kinematic signals were acquired using Xsens inertial sensors from 51 patients with PD and 53 healthy controls. For each participant, subject-specific kinematic networks were constructed by modeling inter-segment similarities through Jensen-Shannon divergence, from which global and local graph-theoretical metrics were extracted. A machine learning pipeline incorporating voting feature selection, and XGBoost classification was evaluated using a nested cross-validation design. The model achieved robust performance (AUC = 0.87), and explainability analyses using SHAP identified a subset of 13 features capturing alterations in velocity, inter-segment connectivity, and network centrality. PD was characterized by increased positional variability, reduced distal limb velocity, and a redistribution of network centrality towards proximal body segments. These features were associated with clinical severity, confirming their physiological relevance. By integrating graph-theoretical modeling, explainable artificial intelligence, and machine learning methodology, this work provides a method of discovering quantitative biomarkers capturing alterations in motor coordination. These findings highlight the potential of ML and kinematic networks to support objective motor assessment in PD.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.